车间调度在智能生产制造系统中扮演着重要角色,是现代制造业生产系统中的核心技术,合理高效的运用调度策略可以显著的提升企业生产制造效率。在实际工程应用中,分布式生产模式可以大幅度降低生产成本或缩短工期,提高了生产事故的风险抵抗力,其研究具有重要的学术意义。分布式混合流水车间调度问题（Distributed Hybrid Flow Shop Scheduling Problem,DHFSSP）是在混合流水车间调度问题的基础上引入了分布式系统的概念所形成的问题,DHFSSP属于非确定性多项式时间求解困难（Non-deterministic Polynomial-time hardness,NP-hard）问题,规模复杂,计算难度大,当下的研究成果主要采用元启发式算法进行探讨。生物地理学优化算法（Biogeography-Based Optimization algorithm,BBO）是基于生物地理学理论启发而提出的群智能优化算法,因其特殊的群体信息共享机制,且群体自适应性强,在优化领域发挥着重要的作用。本文细致分析了BBO算法的核心进化机制,并讨论了算法在DHFSSP问题上应用的可行性,研究内容如下所示:（1）为解决以最小化最大完成时间makespan为优化目标的DHFSSP问题,提出了一种混合生物地理学优化算法（Hybrid Biogeography-Based Optimization algorithm,HBBO）。在HBBO算法中引入整数编码和NEH规则;提出了一种基于路径重连准则的迁移算子,并设计了一种基于自交换邻域结构的变异算子,最后结合变邻域梯度下降策略,优化当前次迭代最优解,然后设计正交实验方法确定HBBO算法的关键参数,经测试集性能仿真实验表明HBBO算法之于对照组,更加稳定且准确性更高。（2）为解决以最小化makespan和总等待时间为优化目标的DHFSSP问题,首次提出多目标生物地理学优化算法（Multi-objective BBO,MBBO）。在MBBO算法中,引入帕累托前沿解作为评价指标;提出一种基于非支配解的适应度值模型;设计了一种基于多目标路径重连策略的迁移算子提供了更优的迁入个体;其次,设计了一种结合了迭代次数影响因子的变异率模型,增强了算法后期对最优解的开采能力。采用多个性能指标来评价算法的有效性,经数据集测试实验表明MBBO算法相对于非支配排序遗传算法（Non-dominated Sorting Genetic Algorithms Ⅱ,NSGA-Ⅱ）算法,求解精度更高,解的分布更广,更加稳定且有效性更高。